使用基于MRI的ResNet-50卷积神经网络预测脊髓转移中的初级瘤部位

科学领域:

• 放射学 放射学是一门学科.
• 在瘤学瘤学.
• 人工智能的人工智能
• 医疗成像医学成像

背景情况:

• 脊髓转移通常存在未知的原发性瘤部位,使诊断和治疗复杂化.
• 准确识别原发瘤的来源对于有效的瘤管理至关重要.
• 磁共振成像 (MRI) 是评估脊髓转移的一个关键模式.

研究的目的:

• 研究使用ResNet-50卷积神经网络 (CNN) 预测脊髓转移中的原发性瘤部位的可行性.
• 用传统的MRI序列来评估深度学习模型的性能.
• 为放射科医生和瘤学家评估开发的模型的潜在临床实用性.

主要方法:

• 对295名脊髓转移患者的传统MRI序列 (T1加权,T2加权,脂肪抑制T2加权) 的回顾性分析.
• 开发和培训ResNet-50 CNN模型用于分类初级瘤部位.
• 使用包括Top-1精度和曲线下的面积 (AUC-ROC) 在内的指标评估模型性能.

主要成果:

• 该ResNet-50 CNN实现了0.77的5类分类AUC-ROC和52.97%的Top-1准确性.
• 不同MRI序列子集的AUC-ROC值在0.70和0.74之间.
• 该模型显示了从脊髓转移中识别主要瘤起源的潜力.

结论:

• 一个在常规MRI序列上训练的ResNet-50 CNN模型显示了预测脊髓转移中主要瘤部位的前景.
• 这种人工智能驱动的方法可以帮助优先考虑未知的原发性瘤患者的检查和治疗策略.
• 进一步验证和整合到临床工作流程中可能会提高脊髓转移的诊断能力.